
# Importando o pandas
import pandas as pd
import datetime
import plotly.express as px
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.graph_objects as go


# Para melhorar a visualização, vamos criar um padrão no formato dos valores
pd.options.display.float_format = '{:,.2f}'.format

# Importar a base em excel
# - Base: 08. Analisando o engajamento no Instagram.xlsx
df = pd.read_excel(r'C:\Users\Virtual Office\08. Analisando o engajamento no Instagram.xlsx')
display(df.head(10))


#Convertendo os dados para melhor tipo possível
df = df.convert_dtypes()
#Visualizando como as colunas estão dispostas
print(df.columns)
#Pegando as informações referente a data
df['Data'] = pd.to_datetime(df['Data'], format='%Y%m%d')
df['Dia'] = df['Data'].dt.day
df['Mes'] = df['Data'].dt.month
df['Ano'] = df['Data'].dt.year
#Removeendo colunas que já na primeira analise não úteis para o projeto e que poluirão os resultados
df = df.drop(columns = ['Data', 'Visualizações'], axis = 1)
# Remover espaços extras no nome da coluna 'Interações'
df = df.rename(columns={'Interacoes ': 'Interacoes'})

display(df.head(10))

Index(['Tipo', 'Data', 'Curtidas', 'Comentários', 'Visualizações', 'Tags',
       'Pessoas', 'Campanhas', 'Carrossel', 'Interacoes '],
      dtype='object')


#Visualizando e entendo com que tipo de dados e farmato estou trabalhando. Consigo compreender o tipo,
#quantas linhas, quantas colunas e quantidade de dados nulos ou vazios.
df.info()
df.shape
display(df.isnull().sum())
df.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 52 entries, 0 to 51
Data columns (total 11 columns):
 #   Column       Non-Null Count  Dtype 
---  ------       --------------  ----- 
 0   Tipo         52 non-null     string
 1   Curtidas     52 non-null     Int64 
 2   Comentários  52 non-null     Int64 
 3   Tags         44 non-null     string
 4   Pessoas      52 non-null     string
 5   Campanhas    52 non-null     string
 6   Carrossel    8 non-null      string
 7   Interacoes   52 non-null     Int64 
 8   Dia          52 non-null     int32 
 9   Mes          52 non-null     int32 
 10  Ano          52 non-null     int32 
dtypes: Int64(3), int32(3), string(5)
memory usage: 4.1 KB

Tipo            0
Curtidas        0
Comentários     0
Tags            8
Pessoas         0
Campanhas       0
Carrossel      44
Interacoes      0
Dia             0
Mes             0
Ano             0
dtype: int64


df.loc[df.Carrossel.isnull(),'Carrossel']

0     <NA>
1     <NA>
2     <NA>
3     <NA>
4     <NA>
6     <NA>
7     <NA>
9     <NA>
10    <NA>
11    <NA>
13    <NA>
14    <NA>
15    <NA>
16    <NA>
17    <NA>
18    <NA>
19    <NA>
20    <NA>
22    <NA>
23    <NA>
24    <NA>
27    <NA>
29    <NA>
30    <NA>
31    <NA>
32    <NA>
33    <NA>
34    <NA>
35    <NA>
36    <NA>
37    <NA>
38    <NA>
39    <NA>
41    <NA>
42    <NA>
43    <NA>
44    <NA>
45    <NA>
46    <NA>
47    <NA>
48    <NA>
49    <NA>
50    <NA>
51    <NA>
Name: Carrossel, dtype: string


df.loc[df.Carrossel.notnull(),'Carrossel']

5     S
8     S
12    S
21    S
25    S
26    S
28    S
40    S
Name: Carrossel, dtype: string


# Removendo a coluna devido 44 valores nulos
df.loc[df.Carrossel.isnull(),'Carrossel'] = 'N'


#Visualizando e entendo com que tipo de dados e farmato estou trabalhando. Consigo compreender o tipo,
#quantas linhas, quantas colunas e quantidade de dados nulos ou vazios.
df.info()
df.shape
display(df.isnull().sum())
df.describe()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 52 entries, 0 to 51
Data columns (total 11 columns):
 #   Column       Non-Null Count  Dtype 
---  ------       --------------  ----- 
 0   Tipo         52 non-null     string
 1   Curtidas     52 non-null     Int64 
 2   Comentários  52 non-null     Int64 
 3   Tags         44 non-null     string
 4   Pessoas      52 non-null     string
 5   Campanhas    52 non-null     string
 6   Carrossel    52 non-null     string
 7   Interacoes   52 non-null     Int64 
 8   Dia          52 non-null     int32 
 9   Mes          52 non-null     int32 
 10  Ano          52 non-null     int32 
dtypes: Int64(3), int32(3), string(5)
memory usage: 4.1 KB

Tipo           0
Curtidas       0
Comentários    0
Tags           8
Pessoas        0
Campanhas      0
Carrossel      0
Interacoes     0
Dia            0
Mes            0
Ano            0
dtype: int64


# Visualizando as 5 primeiras linhas
df.head()


# Visualizando as 5 ultimas linhas
df.tail()


# Agrupando os dados por tipo 
df_tipo = df.drop(columns = ['Tags', 'Pessoas','Campanhas','Carrossel','Dia','Mes','Ano'], axis = 1)
df_tipo = df_tipo.groupby(by='Tipo').sum()
display(df_tipo)


# Um gráfico de dispersão ajudaria a entender melhor curtidas e comentários
df.plot(kind="scatter",x="Dia",y="Curtidas",figsize=(14,8));


# Podemos colocar curtidas e comentários no mesmo gráfico
ax = df.plot(kind="scatter",x="Dia",y="Curtidas",color="blue",label="Curtidas",figsize=(14,8));
df.plot(kind="scatter",x="Dia",y="Comentários",color="red",label="Comentários",figsize=(14,8),ax=ax);


# A escala de curtidas pode estar atrapalhando a visualização, por isso vamos deixar comentários em um gráfico separado
df.plot(kind="scatter",x="Dia",y="Comentários",color="red",label="Comentários",figsize=(14,8));


# Ordenando os valores por curtidas
df.sort_values(by="Curtidas",ascending=False).head(30)


# Selecionando os 5 últimos valores 
# Ordenando os valores
df.sort_values(by="Curtidas",ascending=False).tail(10)


# Agrupando as informações por tipo e pessoas

df1 = df.groupby(["Tipo",'Pessoas'])["Comentários"].count()
df1_1 = df.groupby(["Tipo",'Pessoas'])["Comentários"].mean()

tipos = ['Foto', 'IGTV', 'Reels', 'Vídeo']
# Colunas para plotagem
colunas = ['Curtidas', 'Comentários', 'Interacoes']

pessoas_sim = df.loc[(df['Tipo'].isin(tipos)) & (df['Pessoas'] == 'S')]
pessoas_nao = df.loc[(df['Tipo'].isin(tipos)) & (df['Pessoas'] == 'N')]

display(df1)
display(df1_1)


# Criando figuras de subplots
fig = go.Figure()

# Plotando barras lado a lado
for coluna in colunas:
    fig.add_trace(go.Bar(
        x=['Pessoas Sim', 'Pessoas Não'],
        y=[pessoas_sim[coluna].mean(), pessoas_nao[coluna].mean()],
        text=[round(pessoas_sim[coluna].mean(), 2), round(pessoas_nao[coluna].mean(), 2)],
        textposition='auto',
        name=coluna,
    ))

# Atualizando layout do gráfico
fig.update_layout(
    barmode='group',
    xaxis_title='Grupos',
    yaxis_title='Valores',
    title='Comparação entre Pessoas Sim e Não para Curtidas, Comentários e Interacoes',
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
    plot_bgcolor='#e5ecf6',  # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6'  # Altera a cor de fundo do papel (background fora do gráfico)
)

fig.show()


# Agrupando as informações por tipo e pessoas
df2 = df.groupby(["Tipo",'Pessoas'])["Curtidas"].mean()
df2_1 = df.groupby(["Tipo",'Pessoas'])["Curtidas"].count()

tipos = ['Foto', 'IGTV', 'Reels', 'Vídeo']
# Colunas para plotagem
colunas = ['Curtidas', 'Comentários', 'Interacoes']

campanha_sim = df.loc[(df['Tipo'].isin(tipos)) & (df['Campanhas'] == 'S')]
campanha_nao = df.loc[(df['Tipo'].isin(tipos)) & (df['Campanhas'] == 'N')]

display(df2)
display(df2_1)

# Criando figuras de subplots
fig2 = go.Figure()

# Plotando barras lado a lado
for coluna in colunas:
    fig2.add_trace(go.Bar(
        x=['Capanha Sim', 'Campanha Não'],
        y=[campanha_sim[coluna].mean(), campanha_nao[coluna].mean()],
        text=[round(campanha_sim[coluna].mean(), 2), round(campanha_nao[coluna].mean(), 2)],
        textposition='auto',
        name=coluna
    ))

# Atualizando layout do gráfico
fig2.update_layout(
    barmode='group',
    xaxis_title='Grupos',
    yaxis_title='Valores',
    title='Comparação entre Campanha Sim e Não para Curtidas, Comentários e Interacoes',
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
    plot_bgcolor='#e5ecf6' , # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6'  # Altera a cor de fundo do papel (background fora do gráfico)
)

fig2.show()

# Agrupando as informações por tipo e pessoas
df3 = df.groupby(["Tipo",'Pessoas','Campanhas'])["Interacoes"].mean()
df3_1 = df.groupby(["Tipo",'Pessoas','Campanhas'])["Interacoes"].count()

display(df3)
display(df3_1)

pessoas_e_campanha_sim = df.loc[(df['Tipo'].isin(tipos)) & (df['Pessoas'] == 'S') & (df['Campanhas'] == 'S')]
pessoas_e_campanha_nao = df.loc[(df['Tipo'].isin(tipos)) & (df['Pessoas'] == 'N') & (df['Campanhas'] == 'N')]

# Criando figuras de subplots
fig3 = go.Figure()

# Plotando barras lado a lado
for coluna in colunas:
    fig3.add_trace(go.Bar(
        x=['Pessoas e Campanha Sim', 'Pessoas e Campanha Não'],
        y=[pessoas_e_campanha_sim[coluna].mean(),pessoas_e_campanha_nao[coluna].mean()],
        text=[round(pessoas_e_campanha_sim[coluna].mean(), 2), round(pessoas_e_campanha_nao[coluna].mean(), 2)],
        textposition='auto',
        name=coluna
    ))

# Atualizando layout do gráfico
fig3.update_layout(
    barmode='group',
    xaxis_title='Grupos',
    yaxis_title='Valores',
    title='Comparação entre Campanha Sim e Não para Curtidas, Comentários e Interacoes',
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
    plot_bgcolor='#e5ecf6',  # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6'  # Altera a cor de fundo do papel (background fora do gráfico)
)

fig3.show()

Tipo   Pessoas
Foto   N           6
       S          30
IGTV   S           5
Reels  N           2
       S           3
Vídeo  N           4
       S           2
Name: Comentários, dtype: int64

Tipo   Pessoas
Foto   N          29.50
       S         226.20
IGTV   S         133.60
Reels  N          98.00
       S         342.00
Vídeo  N          65.25
       S         370.00
Name: Comentários, dtype: Float64

Tipo   Pessoas
Foto   N          3,863.50
       S         15,236.67
IGTV   S          6,833.40
Reels  N          5,934.50
       S         20,832.00
Vídeo  N          4,007.50
       S         16,409.50
Name: Curtidas, dtype: Float64

Tipo   Pessoas
Foto   N           6
       S          30
IGTV   S           5
Reels  N           2
       S           3
Vídeo  N           4
       S           2
Name: Curtidas, dtype: int64

Tipo   Pessoas  Campanhas
Foto   N        N            2,889.50
                S            5,900.00
       S        N           10,975.21
                S           19,389.56
IGTV   S        N            6,967.00
Reels  N        N            6,032.50
       S        N           13,143.00
                S           25,189.50
Vídeo  N        N            4,072.75
       S        S           16,779.50
Name: Interacoes, dtype: Float64

Tipo   Pessoas  Campanhas
Foto   N        N             4
                S             2
       S        N            14
                S            16
IGTV   S        N             5
Reels  N        N             2
       S        N             1
                S             2
Vídeo  N        N             4
       S        S             2
Name: Interacoes, dtype: int64


# Criando uma lista com os anos que há no dataframe
print(df['Ano'].unique())
anos = ['2021', '2022']
# Convertendo a coluna 'Ano' para string e filtrando apenas os registros de 2021
df_2021 = df[df['Ano'].astype(str) == '2021']
df_2022 = df[df['Ano'].astype(str) == '2022']

display(df_2021.head(10))
display(df_2022.head(10))

[2021 2022]


df_2021_selecionado = df_2021.loc[:, ['Curtidas', 'Comentários', 'Interacoes', 'Pessoas', 'Campanhas', 'Dia','Mes','Ano']]

display(df_2021_selecionado.head(5))

# Reorganizando os dados para usar o 'Dia' como índice e as métricas como colunas
df_melted = df_2021_selecionado.melt(id_vars=['Dia'], value_vars=['Curtidas', 'Comentários', 'Interacoes'], var_name='Métrica', value_name='Valor')

# Criando um gráfico de barras agrupadas para cada métrica ao longo dos dias
fig4 = px.bar(df_melted, x='Dia', y='Valor', color='Métrica', barmode='group', title='Métricas de Curtidas, Comentários e Interacoes por Dia em 2021',
             labels={'Valor': 'Valor da Métrica', 'Dia': 'Dia'})

# Atualizando as configurações para adicionar rótulos fora das barras com tamanho maior
fig4.update_traces(text=fig4.data[0]['y'], textposition='outside', textfont=dict(size=40))  # Ajuste o tamanho da fonte conforme necessário

# Exibindo o gráfico
fig4.update_layout(
    plot_bgcolor='#e5ecf6',  # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6',  # Altera a cor de fundo do papel (background fora do gráfico)
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
)


# Exibindo o gráfico
fig4.show()

# Convertendo a coluna 'Mes' para nome do mês em formato de string
meses = {1: 'Janeiro', 2: 'Fevereiro', 3: 'Março', 4: 'Abril', 5: 'Maio', 6: 'Junho', 7: 'Julho', 8: 'Agosto', 9: 'Setembro', 10: 'Outubro', 11: 'Novembro', 12: 'Dezembro'}
df_2021_selecionado['Mes'] = df_2021_selecionado['Mes'].map(meses)

# Reorganizando os dados para usar o 'Mês' como índice e as métricas como colunas
df_melted2 = df_2021_selecionado.melt(id_vars=['Mes'], value_vars=['Curtidas', 'Comentários', 'Interacoes'], var_name='Métrica', value_name='Valor')

# Criando um gráfico de barras agrupadas para cada métrica ao longo dos meses
fig5 = px.bar(df_melted2, x='Mes', y='Valor', color='Métrica', barmode='group', title='Métricas de Curtidas, Comentários e Interacoes por Mês em 2021',
             labels={'Valor': 'Valor da Métrica', 'Mes': 'Mês'})

# Atualizando as configurações para adicionar rótulos dentro das barras
fig5.update_traces(text=fig5.data[0]['y'], textposition='inside')

# Exibindo o gráfico
fig5.update_layout(
    plot_bgcolor='#e5ecf6' , # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6',  # Altera a cor de fundo do papel (background fora do gráfico)
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
)


# Exibindo o gráfico
fig5.show()


df_2022_selecionado = df_2022.loc[:, ['Curtidas', 'Comentários', 'Interacoes', 'Pessoas', 'Campanhas', 'Dia','Mes','Ano']]
display(df_2022_selecionado.head(5))

# Criando um gráfico de barras agrupadas para cada métrica ao longo dos dias
fig6 = px.bar(df_2022_selecionado, x='Dia', y=['Curtidas', 'Comentários', 'Interacoes'], barmode='group', 
              title='Métricas de Curtidas, Comentários e Interacoes por Dia em 2022',
              labels={'variable': 'Métrica','value': 'Valor da Métrica', 'Dia': 'Dia'})

# Atualizando as configurações para adicionar rótulos fora das barras com tamanho maior
fig6.update_traces(textposition='outside', textfont=dict(size=14))

# Personalizando o layout do gráfico
fig6.update_layout(
    plot_bgcolor='#e5ecf6',  # Cor de fundo do gráfico
    paper_bgcolor='#e5ecf6',  # Cor de fundo do papel (background fora do gráfico)
    title_x=0.5  # Posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
)

# Exibindo o gráfico
fig6.show()

# Convertendo a coluna 'Mes' para nome do mês em formato de string
meses = {1: 'Janeiro', 2: 'Fevereiro', 3: 'Março', 4: 'Abril', 5: 'Maio', 6: 'Junho', 7: 'Julho', 8: 'Agosto', 9: 'Setembro', 10: 'Outubro', 11: 'Novembro', 12: 'Dezembro'}
df_2022_selecionado['Mes'] = df_2022_selecionado['Mes'].map(meses)

# Criando um gráfico de barras agrupadas para cada métrica ao longo dos meses
fig7 = px.bar(df_2022_selecionado, x='Mes', y=['Curtidas', 'Comentários', 'Interacoes'], barmode='group',
              title='Métricas de Curtidas, Comentários e Interacoes por Mês em 2022',
              labels={'variable': 'Métrica','value': 'Valor da Métrica', 'Mes': 'Mês'})

# Atualizando as configurações para adicionar rótulos dentro das barras
fig7.update_traces(text=fig7.data[0]['y'], textposition='inside', textfont=dict(size=14))

# Exibindo o gráfico
fig7.update_layout(
    plot_bgcolor='#e5ecf6' , # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6',  # Altera a cor de fundo do papel (background fora do gráfico)
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
)

# Exibindo o gráfico
fig7.show()


df.Tags = df.Tags.str.split('/')
# Selecione os registros onde a coluna 'Tags' é nula e atribua um valor nulo
# Identificar os valores nulos
valores_nulos = df.isnull()
# Substituir os valores nulos por NaN
df[valores_nulos] = float('NaN')
df = df.explode('Tags')
display(df.head(10))


df_tags = df.groupby('Tags')[['Curtidas','Comentários','Interacoes']].mean()
df_tags.sort_values('Curtidas', ascending =False)


df_tags_campanhas = df.groupby(['Campanhas','Tags'])[['Curtidas','Comentários','Interacoes']].mean()
df_tags_campanhas.sort_values('Curtidas', ascending =False)
display(df_tags_campanhas)

# Redefinir o índice para tornar 'Campanhas' e 'Tags' colunas do DataFrame
df_tags_campanhas= df_tags_campanhas.reset_index()

# Ordenando os dados para facilitar a visualização
df_tags_campanhas = df_tags_campanhas.sort_values(by=['Curtidas'], ascending=False)

# Plotando gráfico de barras para cada métrica
fig9 = px.bar(df_tags_campanhas, x='Tags', y='Curtidas', color='Campanhas',
              title='Média de Curtidas por Combinação de Campanhas e Tags',
              labels={'Curtidas': 'Média de Curtidas', 'Tags': 'Tags', 'Campanhas': 'Campanhas'})

# Adicionando rótulos
for index, row in df_tags_campanhas.iterrows():
    fig9.add_annotation(
        x=row['Tags'],
        y=row['Curtidas'],
        text=f"{row['Curtidas']:.2f}",  # Formatação do valor com 2 casas decimais
        showarrow=True,
        arrowhead=1,
        yshift=10 if index % 2 == 0 else -30,  # Ajuste para posicionamento dos rótulos
        xshift=0.25 if row['Campanhas'] == 'N' else -0.25  # Ajuste para posicionar corretamente em cada barra
    )

# Exibindo o gráfico com rótulos
fig9.update_layout(
    barmode='group',
    yaxis_title='Média de Curtidas',
    title='Média de Curtidas por Combinação de Campanhas e Tags',
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
    plot_bgcolor='#e5ecf6',  # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6'  # Altera a cor de fundo do papel (background fora do gráfico)
)

print('''
Podemos inferir:
    Em geral as Tags performam quando estão em Campanha.
Ação:
    Consolidar mais insights sobre o mehor tipo, no momento apropriado e no formato mais adequado para investir em uma campanha
    para ter o maior engajamento do público.
''')

fig9.show()

Podemos inferir:
    Em geral as Tags performam quando estão em Campanha.
Ação:
    Consolidar mais insights sobre o mehor tipo, no momento apropriado e no formato mais adequado para investir em uma campanha
    para ter o maior engajamento do público.


df_tags_tipo = df.groupby(['Tipo','Tags'])[['Curtidas','Comentários','Interacoes']].mean()
df_tags_tipo.sort_values('Curtidas', ascending =False)
display(df_tags_tipo)

# Redefinir o índice para tornar 'Campanhas' e 'Tags' colunas do DataFrame
df_tags_tipo = df_tags_tipo.reset_index()

# Ordenando os dados para facilitar a visualização
df_tags_tipo = df_tags_tipo.sort_values(by=['Curtidas'], ascending=False)

# Plotando gráfico de barras para cada métrica
fig8 = px.bar(df_tags_tipo, x='Tipo', y='Curtidas', color='Tags',
              title='Média de Curtidas por Combinação de Campanhas e Tags',
              labels={'Curtidas': 'Média de Curtidas', 'Tags': 'Tags', 'Tipo': 'Tipo'})

# Adicionando rótulos
for index, row in df_tags_tipo.iterrows():
    fig8.add_annotation(
        x=row['Tipo'],
        y=row['Curtidas'],
        text=f"{row['Curtidas']:.2f}",  # Formatação do valor com 2 casas decimais
        showarrow=True,
        arrowhead=1,
        yshift=10 if index % 2 == 0 else -20,  # Ajuste para posicionamento dos rótulos
        xshift=5 if row['Tipo'] == 'N' else -15 # Ajuste para posicionar corretamente em cada barra
    )

# Exibindo o gráfico com rótulos
fig8.update_layout(
    barmode='group',
    yaxis_title='Média de Curtidas',
    title='Média de Curtidas por Combinação Tags por Tipo de Conteúdo',
    title_x=0.5,  # Define a posição horizontal do título (0 a 1, sendo 0 à esquerda e 1 à direita)
    plot_bgcolor='#e5ecf6',  # Altere a cor de fundo para a cor desejada
    paper_bgcolor='#e5ecf6'  # Altera a cor de fundo do papel (background fora do gráfico)
)

fig8.show()
print('''
Podemos inferir:
    Que as fotos em datas comemorativas, com influciadores e sobre promoções performaram muitos melhor que as demais tags.
    Não teve uma diferença relevante das trends postados no Reels e Videos, mas Reels se mostrou melhor.
    Postar somente os produtos não performaram bem em todos os tipos.
Ações:
    Testar as tags Promoções, Data Comemorativas, Influeciadores e Trends nos demais tipos de conteúdos.
        Observamos que Datas Comemorativas tiveram bons resultados no tipo Foto e Vídeo. Como também Trends obtiveram bons 
        resultados em Video e Reels;  
''')

Podemos inferir:
    Que as fotos em datas comemorativas, com influciadores e sobre promoções performaram muitos melhor que as demais tags.
    Não teve uma diferença relevante das trends postados no Reels e Videos, mas Reels se mostrou melhor.
    Postar somente os produtos não performaram bem em todos os tipos.
Ações:
    Testar as tags Promoções, Data Comemorativas, Influeciadores e Trends nos demais tipos de conteúdos.
        Observamos que Datas Comemorativas tiveram bons resultados no tipo Foto e Vídeo. Como também Trends obtiveram bons 
        resultados em Video e Reels;


import dash
from dash import dcc, html
from dash.dependencies import Input, Output

# Criação do aplicativo Dash
app = dash.Dash(__name__)

# Lista de figuras de exemplo (substitua essas variáveis pelas suas figuras)
figuras = [fig, fig2, fig3, fig4, fig5, fig6, fig7, fig9, fig8]

# Textos explicativos para cada gráfico
explicacoes = [
    "Obersamos que conteúdos com pessoas engajam muito mais o público comparado a conteúdos sem pessoas.",
    "Postagem em Campanhas tem maior alcance.",
    "Campanhas com pessoas performan melhro que conteúdos que não estão em campanhas ou que estão em campanhas, mas não contém pessoas.",
    "A distribuição nos dias dos conteúdos criados, mostram um inconstância no trabalho.\nO público ainda não foi alcançado",
    '''Os meses Setembro, Outubro e Dezembro mostram o padrão de engamento do público.\nMas em Novembro fizemos algo de errado, 
    encontrar a causa raiz para não cometermos o mesmo erro em conteúdos futuros.''',
    '''Conseguimos observar melhores resultados, o público se identifica mais com o conteúdo, porém ainda erramos em alguns pontos,
    pois hora o público está bastante engajado, outrora não.''',
    '''Os meses de Janeiro e Março, apresentam o padrão de engajamento do público. Mas em fevereiro algo engajou mais, 
    necessário investigar as ações tomadas para escalar nos demais conteúdos.''',
    '''Observamos insights valiosos no gráfico 8, confirmando o que já vimos no gráfico 2, 
    entretanto com adicional de informações. Conteúdos em campanha engajam mais do que quando não estão em campanhas e quando
    são sobre promoções, em trends, datas comemorativas e com influenciadores tem uma melhor performance.''',
    '''Podemos tirar ótimos insights com esse gráfico! Observamos que tivemos conteúdos que performaram muito bem,
    porém não testamos nos demais tipos. As fotos em datas comemorativas, com influciadores e sobre promoções performaram muitos melhor que as demais tags.
    Não teve uma diferença relevante das trends postados no Reels e Videos, mas Reels se mostrou melhor.
    Postar somente os produtos não performam bem em todos os tipos'''
]

# Índice inicial
current_index = 0

# Estilos personalizados
app_colors = {
    'background': '#334B48',  
    'text': '#f2f2f2'  # Cor do texto para um tom claro
}

# Layout do painel com os gráficos existentes e controles de navegação
app.layout = html.Div(style={'textAlign': 'center', 'backgroundColor': app_colors['background'], 'fontFamily': 'Arial, sans-serif', 'color': app_colors['text']}, children=[
    html.H1('Dashboard - Engajamento do Público', style={'marginBottom': '20px', 'fontSize': '2.5em'}),  # Título estilizado
    
    html.Div([
        dcc.Graph(id='carousel-graph', config={'displayModeBar': False}),  # Oculta a barra de ferramentas dos gráficos
        html.Div(id='graph-explanation', style={'marginTop': '20px', 'fontSize': '1.2em'}),  # Div para o texto explicativo
        html.Div([
            html.Button('Anterior', id='previous-button', n_clicks=0, style={'marginRight': '10px'}),
            html.Button('Próximo', id='next-button', n_clicks=0)
        ], style={'marginTop': '20px'})
    ], style={'columnCount': 1, 'width': '80%', 'margin': 'auto', 'marginTop': '20px'}),
    
])

# Função para atualizar o gráfico e o texto explicativo com base no índice
@app.callback(
    [Output('carousel-graph', 'figure'),
     Output('graph-explanation', 'children')],
    [Input('previous-button', 'n_clicks'),
     Input('next-button', 'n_clicks')]
)
def update_graph(previous_clicks, next_clicks):
    global current_index
    
    # Verifica qual botão foi clicado
    ctx = dash.callback_context
    if ctx.triggered_id == 'previous-button' and current_index > 0:
        current_index -= 1
    elif ctx.triggered_id == 'next-button' and current_index < len(figuras) - 1:
        current_index += 1

    # Obtém a figura e a explicação para o gráfico atual
    figura_atual = figuras[current_index]
    explicacao_atual = explicacoes[current_index]

    return figura_atual, explicacao_atual

# Executa o aplicativo
if __name__ == '__main__':
    app.run_server(debug=True)

	Tipo	Data	Curtidas	Comentários	Visualizações	Tags	Pessoas	Campanhas	Carrossel	Interacoes
0	Foto	2021-09-11	2858	16	NaN	Loja	N	N	NaN	2874
1	Foto	2021-09-11	2930	28	NaN	Loja/Produtos	N	N	NaN	2958
2	Foto	2021-09-11	2807	9	NaN	Loja	N	N	NaN	2816
3	Vídeo	2021-09-12	5115	49	82,878.00	Produtos	N	N	NaN	5164
4	Foto	2021-09-13	4392	45	NaN	Produtos	S	N	NaN	4437
5	Foto	2021-09-17	5359	62	NaN	Novos Produtos	N	S	S	5421
6	Foto	2021-09-19	21597	852	NaN	Novos Produtos	S	S	NaN	22449
7	Foto	2021-09-25	6346	33	NaN	Produtos	N	S	NaN	6379
8	Foto	2021-09-27	6355	89	NaN	Produtos	S	N	S	6444
9	Vídeo	2021-09-28	4056	81	73,174.00	Produtos	N	N	NaN	4137

	Curtidas	Comentários	Interacoes	Dia	Mes	Ano
count	52.00	52.00	52.00	52.00	52.00	52.00
mean	12,262.73	189.50	12,452.23	16.00	6.00	2,021.52
std	8,165.88	170.69	8,299.39	7.93	4.24	0.50
min	2,807.00	9.00	2,816.00	2.00	1.00	2,021.00
25%	5,492.00	69.50	5,562.50	10.00	2.00	2,021.00
50%	9,603.00	128.00	9,773.50	14.00	3.00	2,022.00
75%	17,621.75	265.25	17,920.75	23.25	10.00	2,022.00
max	37,351.00	852.00	37,853.00	30.00	12.00	2,022.00

	Curtidas	Comentários	Interacoes	Dia	Mes	Ano
count	52.00	52.00	52.00	52.00	52.00	52.00
mean	12,262.73	189.50	12,452.23	16.00	6.00	2,021.52
std	8,165.88	170.69	8,299.39	7.93	4.24	0.50
min	2,807.00	9.00	2,816.00	2.00	1.00	2,021.00
25%	5,492.00	69.50	5,562.50	10.00	2.00	2,021.00
50%	9,603.00	128.00	9,773.50	14.00	3.00	2,022.00
75%	17,621.75	265.25	17,920.75	23.25	10.00	2,022.00
max	37,351.00	852.00	37,853.00	30.00	12.00	2,022.00

	Curtidas	Comentários	Interacoes
Tipo
Foto	480281	6963	487244
IGTV	34167	668	34835
Reels	74365	1222	75587
Vídeo	48849	1001	49850

	Curtidas	Comentários	Interacoes
Tags
Promoções	27,458.33	531.00	27,989.33
Datas comemorativas	20,752.25	343.50	21,095.75
Trends	20,024.00	352.25	20,376.25
Influenciadores	15,197.29	161.71	15,359.00
Novos Produtos	10,304.89	198.56	10,503.44
Dicas de como usar	6,833.40	133.60	6,967.00
Produtos	6,269.82	94.12	6,363.94
Loja	2,865.00	17.67	2,882.67

Analisando o engajamento do Instagram¶

O que queremos responder?¶

Como ele pediu para não considerar a coluna visualizações, vamos retirar essa coluna da base¶

Vamos importar e visualizar a nossa base¶

Carrossel possui apenas 8 valores não nulos¶

Visualizando essas informações de maneira gráfica¶

A primeira coisa que podemos fazer é pegar os 5 primeiros registros com mais e menos curtidas¶

Conclusões¶

Vamos analisar como os conteúdos criados performam por dia e mês para 2021¶

Vamos analisar como os conteúdos criados performam por dia e mês para 2022¶

Conslusões¶

Vamos analisar os conteúdos com base nas tags¶

	Tipo	Curtidas	Comentários	Tags	Pessoas	Campanhas	Carrossel	Interacoes	Dia	Mes	Ano
47	IGTV	5489	77	Dicas de como usar/Novos Produtos	S	N	N	5566	12	3	2022
48	Foto	29084	479	Datas comemorativas/Promoções	S	S	N	29563	20	3	2022
49	Foto	9087	106	<NA>	S	S	N	9193	22	3	2022
50	Foto	16551	186	<NA>	S	N	N	16737	26	3	2022
51	IGTV	4934	65	Dicas de como usar/Produtos	S	N	N	4999	27	3	2022

	Tipo	Curtidas	Comentários	Tags	Pessoas	Campanhas	Carrossel	Interacoes	Dia	Mes	Ano
39	Foto	37351	502	Promoções	S	S	N	37853	17	2	2022
30	Reels	29981	502	Trends	S	S	N	30483	24	1	2022
48	Foto	29084	479	Datas comemorativas/Promoções	S	S	N	29563	20	3	2022
33	Foto	24655	186	Influenciadores	S	S	N	24841	6	2	2022
26	Foto	24585	354	Datas comemorativas	S	S	S	24939	8	1	2022
43	Foto	24399	266	<NA>	S	S	N	24665	4	3	2022
40	Foto	21621	213	Influenciadores	S	S	S	21834	21	2	2022
6	Foto	21597	852	Novos Produtos	S	S	N	22449	19	9	2021
34	Foto	20660	292	Influenciadores	S	S	N	20952	9	2	2022
45	Reels	19621	275	Trends	S	S	N	19896	8	3	2022
22	Foto	18097	225	Influenciadores	S	S	N	18322	26	12	2021
11	Foto	17831	391	<NA>	S	S	N	18222	12	10	2021
38	Foto	17687	213	<NA>	S	N	N	17900	15	2	2022
24	Vídeo	17600	383	Trends	S	S	N	17983	30	12	2021
50	Foto	16551	186	<NA>	S	N	N	16737	26	3	2022
19	Foto	16086	268	<NA>	S	S	N	16354	12	12	2021
27	Foto	16067	265	Novos Produtos	S	N	N	16332	11	1	2022
13	Foto	15940	612	Promoções	S	N	N	16552	24	10	2021
37	Vídeo	15219	357	Datas comemorativas	S	S	N	15576	13	2	2022
14	Foto	14121	184	Datas comemorativas	S	S	N	14305	29	10	2021
10	Reels	12894	249	Trends/Produtos	S	N	N	13143	10	10	2021
41	Foto	12530	90	<NA>	S	N	N	12620	22	2	2022
25	Foto	12193	138	Novos Produtos	S	N	S	12331	2	1	2022
36	Foto	11802	102	Produtos	S	S	N	11904	12	2	2022
31	Foto	10019	103	Novos Produtos	S	N	N	10122	27	1	2022
28	Foto	9936	119	Novos Produtos	S	N	S	10055	15	1	2022
32	IGTV	9270	222	Dicas de como usar/Produtos	S	N	N	9492	4	2	2022
49	Foto	9087	106	<NA>	S	S	N	9193	22	3	2022
29	Foto	8612	142	<NA>	S	N	N	8754	19	1	2022
35	IGTV	8556	188	Dicas de como usar/Produtos	S	N	N	8744	10	2	2022